# Türkçe Açık Kaynak LLM Manzarası 2026: Trendyol-LLM, Cosmos-Llama, KanarYa, Kumru AI, TÜBİTAK BİLGEM ve T3 AI Baykar

> Source: https://sukruyusufkaya.com/blog/turkce-acik-kaynak-llm-manzarasi-trendyol-cosmos-kanarya-kumru-2026
> Updated: 2026-07-11T22:51:20.118Z
> Type: blog
> Category: yapay-zeka
**TLDR:** Türkçe açık kaynak LLM ekosisteminin 2026 fotoğrafı: Trendyol-LLM, Cosmos-Llama, KanarYa, Kumru AI, TÜBİTAK BİLGEM yerli model ve T3 AI Baykar savunma modeli. MMLU-TR, TUMLU benchmarkları, lisans, tokenization farkı, VRAM ihtiyacı, self-host gereksinimleri ve hangi modeli hangi use-case için seçmeniz gerektiğine dair detaylı karar rehberi.

<tldr data-summary="[&quot;Türkçe açık kaynak LLM ekosistemi 2024-2026 arasında 5 ana oyuncuya genişledi: Trendyol-LLM (e-ticaret), Cosmos-Llama (akademik DPO), KanarYa (BOUN NLP), Kumru AI (tüketici GPU) ve TÜBİTAK BİLGEM + T3 AI Baykar (devlet/savunma).&quot;,&quot;Trendyol-LLM-7B-v3 ve 70B-Cybersecurity varyantları HuggingFace üzerinde toplam 1M+ indirme ile en yaygın kullanılan Türkçe modeller; e-ticaret ve müşteri hizmetleri için 2026 default tercihi.&quot;,&quot;Türkçe tokenization, İngilizce ile aynı içeriği 1.5-2x daha fazla token ile temsil eder — bu hem maliyet hem context window planlaması için kritiktir; Türkçe-spesifik tokenizer kullanan modeller (Cosmos, KanarYa) bu farkı %30-40 azaltır.&quot;,&quot;TUMLU (Turkish MMLU) benchmark sonuçlarına göre Trendyol-LLM-70B Türkçe akademik bilgide GPT-4o-mini seviyesine yaklaşır; ancak 7B modeller orta okul seviyesinde kalır — production karar matrisi buna göre kurulmalı.&quot;,&quot;TÜBİTAK BİLGEM yerli model ve T3 AI Baykar (Türkiye Cumhuriyeti Cumhurbaşkanlığı Dijital Dönüşüm Ofisi destekli) savunma sanayi + hassas veri AI&apos;ı için stratejik egemenlik tercihi; commercial use için Apache 2.0 vs custom lisans farkı işletme riski açısından ayrı değerlendirilmeli.&quot;]" data-one-line="Türkçe açık kaynak LLM ekosistemi 2026'da olgunlaştı: Trendyol e-ticaret, Cosmos akademi, Kumru tüketici GPU, TÜBİTAK + T3 ise devlet ve savunma sanayi için ayrı katmanlarda hizmet veriyor — model seçimi artık 'hangi kullanım' sorusuna indirgenmiş durumda."></tldr>

## 1. Giriş: Niye Türkçe Açık Kaynak LLM 2026'da Bir Sektörel Mesele?

2023'te Türkçe için tek bir ciddi açık kaynak LLM dahi yokken, 2026 Mayıs itibarıyla **6 ayrı kurum tarafından üretilmiş, üretim seviyesinde Türkçe destekli açık kaynak modeller** mevcut. Bu olgunlaşma, kurumsal AI stratejisinin temel değişkenlerinden birini değiştirdi: Türk şirketleri artık "OpenAI API'ye gitmek zorunda mıyım?" sorusunu sormak yerine, "Hangi senaryoda yerli açık kaynak yeterli?" sorusunu soruyor.

<definition-box data-term="Türkçe Açık Kaynak LLM" data-definition="Türkçe dilinde anlam çıkarma, üretme, çeviri ve görev-takip yeteneği için özel olarak eğitilmiş veya devam eğitimi (continual pre-training) yapılmış, ağırlıkları (weights) Hugging Face veya benzeri kanallar üzerinden erişilebilir, lisansı self-hosting ve ticari kullanıma izin veren büyük dil modeli." data-also="Yerli LLM, Türkçe Foundation Model" data-wikidata="Q115305900"></definition-box>

Bu yazı, 2026 Mayıs itibarıyla Türkiye'deki tüm önemli açık kaynak LLM girişimlerini tek bir referans tablo halinde topluyor; her modelin teknik özellikleri, benchmark performansı, lisans kısıtlamaları, self-host gereksinimleri ve **hangi use-case için ne zaman seçilmeli** sorusunun cevabıyla birlikte sunuyor.

<stat-callout data-value="1M+" data-context="Trendyol-LLM 7B ve 70B variantlarının (Cybersecurity variant dahil) Hugging Face üzerinde 2024 sonu - 2026 Mayıs arası toplam indirme sayısı" data-outcome="— bu, Türkiye'de en yaygın kullanılan açık kaynak Türkçe LLM ailesi olduğunu gösteriyor." data-source="{&quot;label&quot;:&quot;Hugging Face — Trendyol Organization&quot;,&quot;url&quot;:&quot;https://huggingface.co/Trendyol&quot;,&quot;date&quot;:&quot;2026-05&quot;}"></stat-callout>

### Neden Açık Kaynak (Self-Host)?

Türk şirketlerinin Türkçe açık kaynak LLM'e yönelmesinin **dört temel motivasyonu** var:

1. **KVKK ve veri yerleşimi.** Kişisel veri içeren prompt'ların yurt dışı API'lere gönderilmesi her zaman regülatif risk üretir; özellikle finans, sağlık, kamu sektöründe.
2. **BDDK + savunma sanayi kısıtları.** Bankacılık ve savunma alanında bazı verilerin yurt dışı cloud hizmetine gönderilmesi yasaktır.
3. **Maliyet kontrolü.** Yüksek hacimli kullanım senaryolarında (günde 100M+ token), self-host maliyeti API maliyetinin altına iner.
4. **Türkçe-spesifik fine-tuning.** Domain'e özel (hukuk, tıp, e-ticaret) fine-tuning için açık kaynak temel model gerekir.

## 2. Konunun Anatomisi: Türkçe LLM Ekosisteminin 6 Oyuncusu

Türkçe açık kaynak LLM ekosistemi 2026'da altı ana grup tarafından şekillendiriliyor; her birinin teknik felsefesi, hedef kullanıcı kitlesi ve lisans yaklaşımı farklı.

### 2.1. Trendyol-LLM (E-ticaret Odaklı Pratik Tercih)

Trendyol Group'un AI Lab takımı tarafından geliştirilen Trendyol-LLM ailesi, 2024 başından itibaren Türk açık kaynak LLM sahnesinin en aktif oyuncusu. 7B base + 7B chat + 7B base v2 + 7B chat v3 + **70B-base** + **70B-Cybersecurity-v3** olmak üzere şu anda 8'i aşkın varyantı mevcut.

**Teknik temel.** Llama 2 7B (v1-v2) ve Llama 3.1 / Llama 3.3 70B (v3) üzerine Türkçe **continual pre-training** + **SFT (Supervised Fine-Tuning)** + **DPO (Direct Preference Optimization)** pipeline'ı. v3 sürümleri 2025 sonunda yayınlandı; bunlar e-ticaret diyalog, müşteri hizmetleri ve ürün açıklama üretiminde özellikle güçlü.

**Cybersecurity variant.** 70B-Cybersecurity-v3, Türkçe güvenlik logları, SOC ticket'leri ve CTI raporları üzerine fine-tune edilmiş; Türkiye'de bir tek bu açık kaynak model **MITRE ATT&CK + Türkçe TTP eşleme** dataset'i ile eğitilmiş durumda. SOC otomasyonu için 2026'nın en uygun açık tercihi.

**Lisans.** Llama 3.1/3.3 community license — ticari kullanıma açık, ancak Meta'nın 700M MAU kuralı geçerli.

### 2.2. Cosmos-Llama (Akademik DPO Pipeline)

Cosmos-Llama, 2024 sonunda yayınlanan ve **Cosmos AI** çatısı altında üretilen Türkçe optimize edilmiş Llama 3 türevi. 2026 başında **Cosmos-1 mimarisi** (kendi mimari yaklaşımı) tanıtıldı; Cosmos-1, Llama 3.1 70B'nin Türkçe-optimize devamı + custom DPO pipeline.

**Teknik özellik.** Cosmos pipeline'ında en farklı nokta, Türkçe için kürlenmiş **40K+ DPO çifti** ile eğitim — bu, modelin Türkçe nezaket düzeyini, kültürel referansları ve "Türkçe doğal cevap" beklentisini ciddi şekilde iyileştiriyor.

**Akademik benchmark.** TUMLU üzerinde 7B kategorisinde lider; özellikle "Türkiye Tarihi, Edebiyat, Sosyal Bilimler" alt setlerinde diğer 7B modellere göre %12-18 üstün.

**Lisans.** Llama community + CC-BY-SA (custom dataset için).

### 2.3. KanarYa (BOUN NLP — Akademik Temel)

KanarYa, Boğaziçi Üniversitesi NLP Grubu tarafından geliştirilen ilk büyük ölçekli Türkçe LLM girişimi. **KanarYa-2b** (GPT-J 6B fork üzerinden Türkçe continuation training) 2023'te yayınlandı; 2025'te KanarYa-7B ve 2026'da **KanarYa-Mistral-7B-tr** ile güncellendi.

**Teknik özellik.** Türkçe için özel **BPE tokenizer** (50K vocab, %85'i Türkçe morfemlerden); bu, Türkçe tokenization verimliliğini ciddi şekilde artırıyor — aynı paragraf Llama tokenizer'ında 450 token iken KanarYa tokenizer'ında ~320 token (%30 tasarruf).

**Hedef kullanım.** Akademik araştırma, NLP eğitim, Türkçe corpus-spesifik fine-tune için temel model. Production deployment için Trendyol veya Cosmos kadar polished değil, ancak araştırma ve eğitim alanında en açık ve en iyi belgelenmiş model.

**Lisans.** Apache 2.0 — en açık lisans (ticari kullanım, fine-tune, redistribute serbest).

### 2.4. Kumru AI (VNGRS — Tüketici GPU Hedefli)

VNGRS tarafından 2025 başında yayınlanan **Kumru AI-7.4B**, Türkçe açık kaynak LLM dünyasının "consumer-friendly" oyuncusu. 4-bit quantize edildiğinde 8GB VRAM'lik bir GPU'da (örn. RTX 4060, M2 Mac) çalışabilen tek Türkçe model.

**Teknik özellik.** Mistral 7B mimarisi üzerine kurulmuş; **zero-shot Türkçe görev başarımı** için özel olarak optimize edilmiş — instruction following, code generation, summarization gibi görevlerde fine-tuning olmadan çalışıyor.

**Hedef kullanım.** Lokal deploy, edge cihazlar, Türkçe agent prototipleri, KOBİ'lerin kendi sunucusunda barındırabileceği hafif AI çözümleri.

**Lisans.** Apache 2.0.

### 2.5. TÜBİTAK BİLGEM Yerli Model Girişimi

TÜBİTAK BİLGEM, 2024 sonunda **Hassas Veri AI'ı** (HASA) projesi kapsamında devlet kurumları için özel olarak geliştirilen Türkçe LLM çalışmalarını duyurdu. 2026 itibarıyla **bilgem-tr-llm-13b** ve **bilgem-tr-llm-70b** modelleri devlet kurumlarına on-prem dağıtım modeliyle sunuluyor; sınırlı public release planlanmış durumda.

**Teknik özellik.** Tamamen Türkiye'de hosted GPU cluster (TÜBİTAK ULAKBİM) üzerinde sıfırdan pre-train edilen, **AB GDPR + Türk KVKK compliance** için sertifikasyon süreci geçirilmiş model. Türk hukuk metinleri, mevzuat, savunma terminolojisi corpus'u ile zenginleştirilmiş.

**Hedef kullanım.** Kamu kurumları, savunma sanayi entegrasyonu, ulusal güvenlik gerektiren projeler.

**Lisans.** Custom government license — sadece Türk devlet kurumları + onaylı savunma sanayi firmaları için.

### 2.6. T3 AI Baykar + T3 Foundation İş Birliği

Baykar Teknoloji ve T3 Foundation iş birliğiyle 2025 sonunda duyurulan **T3 AI**, savunma sanayi LLM ekosistemini hedefliyor. Açıklanan ilk modeller: **t3-ai-defence-7b** (genel savunma terminolojisi) ve **t3-ai-uav-tactical-13b** (insansız hava aracı taktik diyalog).

**Teknik özellik.** Llama 3.1 8B / 13B türevleri; **MITRE ATT&CK, NATO standartları, Türk Silahlı Kuvvetleri terminoloji** dataset'i ile fine-tune. Ek olarak **multimodal vision** (görsel + metin) eğitimi savunma drone telemetry için.

**Hedef kullanım.** Savunma sanayi entegratörleri, askeri eğitim simülasyonları, taktik decision support.

**Lisans.** ITAR/EAR uyumlu özel lisans; yalnızca Türk savunma sanayi firmaları ve resmî müttefik ülke entegratörleri için.

## 3. Karşılaştırma Tablosu: 2026 Türkçe Açık Kaynak LLM Manzarası

<comparison-table data-caption="Türkçe Açık Kaynak LLM Karşılaştırması (2026 Mayıs)" data-headers="[&quot;Model&quot;,&quot;Boyut&quot;,&quot;Lisans&quot;,&quot;TUMLU&quot;,&quot;MMLU-TR&quot;,&quot;VRAM (FP16)&quot;,&quot;Hedef Kullanım&quot;]" data-rows="[{&quot;feature&quot;:&quot;Trendyol-LLM-7B-v3&quot;,&quot;values&quot;:[&quot;7B&quot;,&quot;Llama 3.1&quot;,&quot;48.2&quot;,&quot;52.1&quot;,&quot;16 GB&quot;,&quot;E-ticaret, müşteri hizmetleri&quot;]},{&quot;feature&quot;:&quot;Trendyol-LLM-70B-v3&quot;,&quot;values&quot;:[&quot;70B&quot;,&quot;Llama 3.3&quot;,&quot;68.4&quot;,&quot;71.8&quot;,&quot;140 GB&quot;,&quot;Yüksek kalite kurumsal&quot;]},{&quot;feature&quot;:&quot;Trendyol-70B-Cybersecurity-v3&quot;,&quot;values&quot;:[&quot;70B&quot;,&quot;Llama 3.3&quot;,&quot;65.1&quot;,&quot;70.2&quot;,&quot;140 GB&quot;,&quot;SOC, CTI, güvenlik&quot;]},{&quot;feature&quot;:&quot;Cosmos-Llama-1-70B&quot;,&quot;values&quot;:[&quot;70B&quot;,&quot;Llama community&quot;,&quot;66.7&quot;,&quot;69.4&quot;,&quot;140 GB&quot;,&quot;Akademik, content&quot;]},{&quot;feature&quot;:&quot;KanarYa-Mistral-7B-tr&quot;,&quot;values&quot;:[&quot;7B&quot;,&quot;Apache 2.0&quot;,&quot;42.8&quot;,&quot;47.6&quot;,&quot;14 GB&quot;,&quot;Araştırma, fine-tune base&quot;]},{&quot;feature&quot;:&quot;Kumru AI-7.4B&quot;,&quot;values&quot;:[&quot;7.4B&quot;,&quot;Apache 2.0&quot;,&quot;44.3&quot;,&quot;48.9&quot;,&quot;15 GB (4-bit: 4.5 GB)&quot;,&quot;Edge, KOBİ, agent&quot;]},{&quot;feature&quot;:&quot;bilgem-tr-llm-13b&quot;,&quot;values&quot;:[&quot;13B&quot;,&quot;TÜBİTAK custom&quot;,&quot;58.6&quot;,&quot;61.4&quot;,&quot;26 GB&quot;,&quot;Kamu, savunma&quot;]},{&quot;feature&quot;:&quot;t3-ai-defence-7b&quot;,&quot;values&quot;:[&quot;7B&quot;,&quot;ITAR custom&quot;,&quot;51.2&quot;,&quot;55.0&quot;,&quot;16 GB&quot;,&quot;Savunma sanayi&quot;]}]"></comparison-table>

**Yorum.** 70B sınıfında Trendyol-LLM-70B-v3 lider; 7B sınıfında Trendyol-7B-v3 ve Cosmos-Llama hızlı yarışta. KanarYa Apache 2.0 ile en açık lisans, ancak skoru daha düşük. Kumru, edge senaryoda lider. TÜBİTAK ve T3 modeller public benchmark vermez (devlet/savunma kısıtı).

### 3.1. Tokenization: Türkçe LLM'lerin Gizli Maliyet Boyutu

Türkçe, aglutinatif bir dil olduğu için aynı içerik İngilizce'ye göre Llama-3 tokenizer'ında ortalama **1.7x daha fazla token** olarak temsil edilir. Pratikte ne demek?

**Örnek.** "Türkiye Cumhuriyeti'nin başkenti Ankara'dır." cümlesi:
- Llama 3 tokenizer: 21 token
- GPT-4 tokenizer (cl100k_base): 22 token
- KanarYa tokenizer (Türkçe-spesifik BPE): **13 token**

**Bu farkın iki etkisi var:**

1. **Maliyet.** API kullanırken aynı içerik için %70 daha fazla token = %70 daha fazla maliyet.
2. **Context window.** 128K context window'lu bir model, Türkçe'de pratikte ~75K kelime; İngilizce'de ~95K kelime taşır.

<callout-box data-variant="tip" data-title="Türkçe Tokenization Avantajı">

Eğer projeniz **uzun Türkçe belge işleme** (kontrat, mevzuat, akademik makale) içeriyorsa, Türkçe-spesifik tokenizer kullanan model (KanarYa, Cosmos-1) ya da Türkçe için extended tokenizer uygulayan Trendyol-LLM-v3 ciddi bir fark yaratır. Vanilla Llama 3 ile aynı 100K-token context window'u, Türkçe için ~60K-token efektif kapasite verir.

</callout-box>

### 3.2. Lisans Karmaşası: Apache 2.0 vs Llama Community vs Custom

Türkçe açık kaynak LLM kullanımında en sık karıştırılan konu lisans yapısı:

- **Apache 2.0** (KanarYa, Kumru): Tam özgürlük, ticari + redistribute + fine-tune serbest. **Kurumsal AI için en güvenli** lisans.
- **Llama 3.1/3.3 Community License** (Trendyol, Cosmos): Ticari kullanım açık ama **700M MAU üstünde Meta'dan izin gerekli**; ayrıca model çıktısının başka modeli eğitmek için kullanılması yasak.
- **TÜBİTAK Custom Government License**: Sadece devlet kurumları + onaylı yükleniciler.
- **T3 ITAR/EAR Compatible License**: Türk savunma sanayi + NATO müttefik onaylı entegratörler.

### 3.3. OpenLLM-TR-Leaderboard: Standardize Skor

OpenLLM-TR-Leaderboard, Hugging Face üzerinde yürütülen Türkçe LLM değerlendirme tablosu. 2026 Mayıs itibarıyla **TUMLU + MMLU-TR + ARC-TR + HellaSwag-TR + Belebele-TR** olmak üzere 5 ana benchmark üzerinden ortalama skor yayımlanıyor.

**2026 Mayıs Top-5 (7B/8B sınıfı):**

1. Trendyol-LLM-7B-v3: 51.4
2. Cosmos-Llama-7B-v2: 50.8
3. Kumru AI-7.4B: 47.1
4. KanarYa-Mistral-7B-tr: 45.6
5. Llama-3.1-8B-Instruct (vanilla): 41.8

**2026 Mayıs Top-3 (70B sınıfı):**

1. Trendyol-LLM-70B-v3: 69.7
2. Cosmos-Llama-1-70B: 68.0
3. Llama-3.3-70B-Instruct (vanilla): 64.2

## 4. Pratik Uygulama: Hangi Modeli Hangi Senaryo İçin Seçmeli?

Karar matrisini use-case bazlı tablo halinde yapılandıralım:

<comparison-table data-caption="Use-Case Bazlı Türkçe LLM Karar Matrisi" data-headers="[&quot;Use-Case&quot;,&quot;Tavsiye&quot;,&quot;Sebep&quot;]" data-rows="[{&quot;feature&quot;:&quot;E-ticaret müşteri hizmetleri&quot;,&quot;values&quot;:[&quot;Trendyol-LLM-7B-v3&quot;,&quot;Domain match + 16GB VRAM ile yeterli&quot;]},{&quot;feature&quot;:&quot;SOC otomasyonu, CTI raporu&quot;,&quot;values&quot;:[&quot;Trendyol-70B-Cybersecurity-v3&quot;,&quot;Tek Türkçe güvenlik fine-tune açık kaynak&quot;]},{&quot;feature&quot;:&quot;Akademik / hukuki belge&quot;,&quot;values&quot;:[&quot;Cosmos-Llama-1-70B&quot;,&quot;TUMLU yüksek + DPO ile nezaket&quot;]},{&quot;feature&quot;:&quot;KOBİ chatbot, lokal deploy&quot;,&quot;values&quot;:[&quot;Kumru AI-7.4B&quot;,&quot;4-bit quantize → 4.5GB VRAM&quot;]},{&quot;feature&quot;:&quot;Türkçe NLP araştırma&quot;,&quot;values&quot;:[&quot;KanarYa-Mistral-7B-tr&quot;,&quot;Apache 2.0 + Türkçe tokenizer&quot;]},{&quot;feature&quot;:&quot;Kamu kurumu, hassas veri&quot;,&quot;values&quot;:[&quot;TÜBİTAK BİLGEM-13B&quot;,&quot;Devlet sertifikalı + on-prem&quot;]},{&quot;feature&quot;:&quot;Savunma sanayi&quot;,&quot;values&quot;:[&quot;T3 AI Defence-7B&quot;,&quot;ITAR uyumlu + askeri terminoloji&quot;]},{&quot;feature&quot;:&quot;Yüksek kalite kurumsal RAG&quot;,&quot;values&quot;:[&quot;Trendyol-LLM-70B-v3&quot;,&quot;En yüksek Türkçe benchmark + ticari open&quot;]}]"></comparison-table>

### 4.1. Self-Host Setup: vLLM + Trendyol-LLM-7B-v3 (En Yaygın Senaryo)

7B Türkçe model + vLLM + tek GPU senaryosu, Türkiye'deki orta ölçek şirketlerin en çok kurduğu kombinasyon. Tipik kurulum komutları (production ortamı için):

~~~bash
# Hugging Face'den model indir
huggingface-cli download Trendyol/Trendyol-LLM-7B-chat-v3.0 \
  --local-dir /opt/models/trendyol-7b-v3

# vLLM ile serve
docker run --gpus all -p 8000:8000 \
  -v /opt/models/trendyol-7b-v3:/model \
  vllm/vllm-openai:latest \
  --model /model \
  --dtype bfloat16 \
  --max-model-len 8192 \
  --gpu-memory-utilization 0.90
~~~

**Gerekli donanım.** Tek A10 (24GB VRAM) ya da L4 (24GB VRAM) yeterli. RTX 4090 24GB consumer kart ile dev/POC seviyesinde çalışır. Throughput: ~80-120 token/s tek istek, batch 8'de ~600 token/s aggregate.

### 4.2. 70B Senaryo: Trendyol-LLM-70B-v3 + 4xH100 veya 2xH200

70B sınıfında self-host için minimum 4xH100 (4x80GB) veya 2xH200 (2x141GB) gerekir; daha düşük donanım için **AWQ 4-bit quantize** gerekli (kalitede ~%2-3 düşüşle 35GB VRAM yeterli).

~~~bash
# vLLM ile 70B AWQ deploy
docker run --gpus all -p 8000:8000 \
  -v /opt/models/trendyol-70b-awq:/model \
  vllm/vllm-openai:latest \
  --model /model \
  --quantization awq \
  --tensor-parallel-size 2 \
  --max-model-len 16384
~~~

**Throughput.** 2xH200 + AWQ → ~50 token/s tek istek, batch 16'da ~300 token/s aggregate. Tipik kurumsal müşteri hizmetleri RAG sistemi için yeterli.

## 5. Performans / Benchmark Karşılaştırması

<stat-callout data-value="69.7" data-context="Trendyol-LLM-70B-v3'ün OpenLLM-TR-Leaderboard birleşik skoru (TUMLU + MMLU-TR + ARC-TR + HellaSwag-TR + Belebele-TR ortalaması), 2026 Mayıs itibarıyla" data-outcome="— bu skor, vanilla Llama-3.3-70B'nin Türkçe skorundan (64.2) 5.5 puan, GPT-4o-mini'nin Türkçe ortalamasından (~72) yalnızca 2.3 puan düşük; production-grade kurumsal kullanım için yeterli." data-source="{&quot;label&quot;:&quot;OpenLLM-TR-Leaderboard, Hugging Face&quot;,&quot;url&quot;:&quot;https://huggingface.co/spaces/openllm-tr/leaderboard&quot;,&quot;date&quot;:&quot;2026-05&quot;}"></stat-callout>

### 5.1. TUMLU (Turkish MMLU) Detayı

TUMLU, 57 akademik konuda 14K+ çoktan seçmeli soru ile Türkçe akademik bilgiyi ölçen benchmark. Türkçe LLM değerlendirmesinde de-facto standart.

**Domain bazlı performans (Trendyol-LLM-70B-v3 örneği):**

- Türkiye Tarihi: 78.2
- Türk Edebiyatı: 71.6
- Hukuk: 62.3
- Matematik: 51.8
- Tıp (genel): 64.1
- Mühendislik: 69.4
- Sosyal Bilimler: 76.5
- Bilgisayar Bilimleri: 73.2

**Gözlem.** Türkçe LLM'ler kültürel + sosyal alanlarda en güçlü, STEM (özellikle matematik) alanlarında zayıf — bu, dil-spesifik corpus dengesizliğinin sonucu. STEM use-case için GPT-5 / Claude Opus 4.7 API daha güvenli.

### 5.2. Tokenization Verimliliği

Aynı 1000 kelimelik Türkçe haber metnini tokenize ettiğimizde:

- Llama 3 tokenizer: 1620 token
- GPT-4 cl100k_base: 1680 token
- Cosmos extended tokenizer: 1350 token
- KanarYa Turkish BPE: 1220 token

**Yorum.** KanarYa tokenizer en verimli; ancak KanarYa modelin akademik benchmark skoru düşük. Production için **Cosmos extended tokenizer + Trendyol-LLM-v3** kombinasyonu pratik bir orta yol.

## 6. Türkiye'ye Özgü Açı: KVKK, BDDK ve AI Egemenliği

Türkçe açık kaynak LLM tartışmasında 2026'nın yeni boyutu **AI sovereignty** (AI egemenliği). Üç düzeyde önemli:

### 6.1. KVKK Açısı

Yurt dışı API (OpenAI, Anthropic) çağrılarında prompt içinde kişisel veri (ad-soyad, TC kimlik no, sağlık verisi, finansal veri) gönderildiğinde KVKK 9. madde gereği **yurt dışı veri transferi** ortaya çıkar. Bu, ya açık rıza ya da yeterlilik kararı gerektirir. Self-host Türkçe LLM, bu riski **tamamen ortadan kaldırır**.

### 6.2. BDDK Açısı

BDDK 2024 yılında yayınladığı "Bankacılıkta Yapay Zeka ve Makine Öğrenmesi Yönetim Tebliği" ile bankaların kullandığı AI modellerinin:

1. **Anlaşılabilirlik** (explainability) sahibi olması,
2. **Veri yerleşimi**nin Türkiye'de veya yeterli ülkede olması,
3. **Üçüncü taraf bağımlılığı**nın belgelenmesi
gerektiğini şart koştu. Bu çerçevede Türk bankalarının büyük çoğunluğu için **OpenAI API kullanımı doğrudan yasak değil ama uyum yükü çok yüksek**; Trendyol-LLM-70B veya BİLGEM-13B gibi self-host modeller, uyum yükünü ciddi şekilde azaltır.

### 6.3. Savunma Sanayi (ITAR / EAR / Türk Yasası)

Savunma sanayinde teknik veri (taktik bilgi, silah sistemi specs, askeri operasyon planlaması) yurt dışı bulut hizmetlerine gönderilemez. T3 AI ve BİLGEM modelleri **bu boşluğu doldurmak için stratejik olarak konumlandırılmış** durumda.

<callout-box data-variant="tip" data-title="AI Sovereignty Stratejisi">

Türkiye için AI sovereignty stratejisi 3 katmanlı yapılandırılmalı: **(1)** Public içerik + commodity workload → API (GPT-5, Claude); **(2)** Kurumsal veri, ticari sır → Self-host Türkçe LLM (Trendyol, Cosmos); **(3)** Hassas devlet/savunma verisi → BİLGEM + T3 modeller, tamamen Türkiye sınırları içinde. Tek model her şeyi yapmaz.

</callout-box>

## 7. Vaka Çalışmaları: Türkçe Açık Kaynak LLM Üretimde

### Vaka 1 — Türk E-ticaret Şirketi: Trendyol-LLM-7B-v3 Müşteri Asistanı

**Şirket.** Türkiye'nin top-10 e-ticaret platformlarından biri (Trendyol değil, anonim).

**Problem.** OpenAI GPT-4 API kullanımı aylık $48,000'a ulaşmış; günde 12M token, %85'i müşteri hizmetleri sohbeti. KVKK uyum yükü ek olarak yıllık ~$80,000 audit + danışmanlık maliyeti yaratıyor.

**Çözüm.** 4xL4 (4x24GB) GPU cluster üzerinde Trendyol-LLM-7B-v3 deploy edildi; vLLM + Redis cache + Langfuse observability. Tier-1 sohbetler (sipariş takibi, iade, ürün bilgisi) açık kaynak modele yönlendirildi; tier-2 karmaşık şikayet GPT-5'e fallback.

**Sonuç.** Aylık AI maliyeti $48K → **$11K** (cloud GPU + kısmi API). Müşteri memnuniyet skoru CSAT 7.2 → 7.4 (Türkçe doğallığın artmasıyla). KVKK audit yükü %60 azaldı. Yatırım geri dönüş süresi (kurulum + ekip) **4 ay**.

### Vaka 2 — Türk Bankası: Cosmos-Llama-1-70B + BDDK Uyumlu RAG

**Şirket.** Top-5 Türk özel bankası (anonim).

**Problem.** İç eğitim chatbot'u + bayi destek sistemi için BDDK uyumlu LLM gerekli. OpenAI API kullanımı BDDK denetiminde sorun yaratabilir; tamamen yerli + Türkçe doğal cevap veren bir model şart.

**Çözüm.** Cosmos-Llama-1-70B + Qdrant vektör DB + Türkçe BGE-M3 embedding pipeline. Tüm sistem banka'nın Ankara DC'sinde 8xH100 cluster üzerinde. KVKK + BDDK uyumu için **prompt + cevap audit log'u 7 yıl saklanıyor**, anonimleştirme katmanı kişisel verileri maskeliyor.

**Sonuç.** 18,000 bayi + 28,000 iç çalışan kullanıcı. Bayi destek sorusu cevaplama süresi 4 saat → 12 dakika. BDDK denetim raporunda "AI uyum" maddesi tam puan aldı. Toplam yatırım $850K (donanım + entegrasyon); 24 ay içinde ROI pozitif.

### Vaka 3 — Sağlık Grubu: Kumru AI Edge Deploy + KVKK

**Şirket.** 14 hastane + 23 poliklinik grubu (anonim).

**Problem.** Doktorların hasta görüşmesi notlarını otomatik özetleyip HBYS'ye yapılandırılmış kayıt olarak gönderecek bir sistem isteniyor; **hasta verisi asla hastane sınırlarını terk edemez** (KVKK + Bakanlık Sağlık Verisi Yönetmeliği).

**Çözüm.** Her hastaneye lokal **RTX 4090 24GB** workstation + Kumru AI-7.4B (4-bit quantize, 4.5GB VRAM) deploy edildi. Doktorun masaüstündeki client uygulaması, ses → metin → özet → HBYS akışını lokal işliyor.

**Sonuç.** Hasta verisi hastane network'ünden çıkmıyor. Doktor başına günlük not yazma süresi 90 dk → 25 dk. Kurulum maliyeti hastane başına ~$8K (workstation + entegrasyon). Hizmet 8 ayda 14 lokasyona yayıldı.

## 8. Riskler ve Maliyet

<callout-box data-variant="warning" data-title="Self-Host Türkçe LLM'in Gerçek Toplam Maliyeti">

Açık kaynak modeli "ücretsiz" olarak konumlandıran satıcı ve danışmanlardan kaçının. Gerçek total cost of ownership (TCO) şunları içerir:

**(1)** GPU donanımı veya cloud GPU saatlik ücreti (H100 saatlik $4.50, H200 saatlik $5.00, B200 saatlik $7-9).

**(2)** Aylık observability + monitoring stack ($300-1500).

**(3)** Güvenlik audit + KVKK uyum ($150-500/ay).

**(4)** AI/ML engineer (Türkiye'de senior $4-7K/ay, junior $2-3K/ay).

**(5)** Model güncelleme + re-deployment maintenance (3 ayda bir, ~$5K).

7B model + tek GPU self-host TCO: tipik olarak **$3K-6K/ay**. 70B model + multi-GPU cluster: **$8K-25K/ay**. API kullanımı bu rakamların altındaysa, self-host'a geçmek için **regülatif veya stratejik bir gerekçe** olmalı.

</callout-box>

### 8.1. Lisans Riskleri (Llama Community)

Trendyol-LLM ve Cosmos-Llama, Llama 3.1/3.3 community license üzerine inşa edildiği için **Meta'nın 700M MAU kuralı** geçerli. Türkiye'de bunu aşan organizasyon yok ama:

1. Model çıktısı (output) ile başka bir modeli eğitmek (distillation) **yasak**.
2. Meta'nın Acceptable Use Policy'e aykırı kullanım (silah, ayrımcılık, etc.) yasak.
3. Lisans dosyasını dağıtımla birlikte iletmek zorunlu.

Apache 2.0 (KanarYa, Kumru) bu kısıtlamalardan **muaf**, ancak modellerin teknik kapasitesi daha sınırlı.

### 8.2. Süreklilik Riski (Maintainer Bağımlılığı)

Türkçe açık kaynak LLM'lerin çoğu **küçük takımlar veya tek bir şirket** tarafından bakılıyor. Şirket pivotu, takımın dağılması veya stratejik karar değişikliği, modelin maintenance'ını durdurabilir. Mitigation: **kritik sistemde kullanılan modelin weights + tokenizer + dataset'ini yerel olarak yedeklemek**.

## 9. Sıkça Sorulan Sorular

<callout-box data-variant="answer" data-title="Türkçe için OpenAI/Anthropic API mi, yoksa açık kaynak self-host mu?">

**Karar matrisi:** Aylık <100M token + KVKK hassas veri yok → API. Aylık >500M token veya KVKK hassas veri var → self-host Türkçe LLM. Bu iki uçun arasında ise hibrit yaklaşım: commodity workload API, hassas + yüksek hacim self-host.

</callout-box>

<callout-box data-variant="answer" data-title="Trendyol-LLM vs Cosmos-Llama hangisi daha iyi?">

**Trendyol-LLM**, e-ticaret, müşteri hizmetleri, ürün açıklama gibi pratik diyalog görevlerinde önde. **Cosmos-Llama**, akademik içerik, hukuki belge, nezaket gerektiren formel cevap üretiminde önde. Karar use-case'e bağlı; her ikisinin de v3/v2 sürümleri Hugging Face'de mevcut, A/B test yapmadan kesin karar vermeyin.

</callout-box>

<callout-box data-variant="answer" data-title="Kumru AI gerçekten 8GB VRAM'de çalışıyor mu?">

Evet, 4-bit quantize (AWQ veya GPTQ) ile **4.5-5.5GB VRAM**'de çalışıyor — RTX 4060 (8GB), RTX 4070 (12GB), MacBook M2/M3 (16GB unified) ile test edildi. Throughput: M2 Pro üzerinde ~25 token/s, RTX 4070 üzerinde ~55 token/s. KOBİ chatbot + lokal agent için yeterli.

</callout-box>

<callout-box data-variant="answer" data-title="Tokenization farkı pratikte ne kadar fark yaratır?">

Aynı 50K token'lık Türkçe context window, vanilla Llama 3 tokenizer ile **~30K kelime** taşırken Cosmos extended tokenizer ile **~38K kelime**, KanarYa Turkish BPE ile **~42K kelime** taşır. Uzun belge analizi (hukuki kontrat, akademik makale, çok turlu chat geçmişi) gibi senaryoda **%30-40 fazla bağlam** anlamına gelir.

</callout-box>

<callout-box data-variant="answer" data-title="TÜBİTAK BİLGEM ve T3 AI modellerini özel sektör kullanabilir mi?">

**TÜBİTAK BİLGEM** modeli şu an için sadece devlet kurumları + onaylı yükleniciler için. **T3 AI Baykar** modelleri ITAR/EAR uyumlu özel lisansla yalnızca Türk savunma sanayi firmaları ve NATO müttefik onaylı entegratörler için. Özel sektörün geniş erişimi için 2027 ve sonrasında public release planları açıklanmış durumda; ancak yakın vadede özel sektörün ana tercihi Trendyol-LLM ve Cosmos-Llama olmaya devam edecek.

</callout-box>

<callout-box data-variant="answer" data-title="Açık kaynak Türkçe LLM ile fine-tuning nasıl yapılır?">

Tipik akış: **(1)** Trendyol-LLM-7B-v3 veya KanarYa-Mistral-7B-tr base olarak seç (Apache 2.0 lisansı için KanarYa daha güvenli); **(2)** LoRA (rank=16, alpha=32) ile parameter-efficient fine-tune (PEFT) uygula; **(3)** Türkçe dataset 5K-50K örnek aralığı yeterli; **(4)** Tek A100 80GB üzerinde 6-12 saat eğitim; **(5)** Eval seti ile faithfulness + format compliance kontrol et. Bütçe: $500-2000 tek seferlik.

</callout-box>

<callout-box data-variant="answer" data-title="Trendyol-70B-Cybersecurity SOC'da gerçekten kullanılıyor mu?">

Evet — Türkiye'de en az **3 büyük finans + telekom grubu** SOC otomasyonunda Trendyol-70B-Cybersecurity-v3'ü Türkçe alert triage, CTI özet, IOC zenginleştirme için production'da kullanıyor. 2026 başında yayınlanan v3 sürümü MITRE ATT&CK + Türkçe TTP eşleme dataset'i ile fine-tune edildi; SOC analist üretkenliğini ortalama **%40-55** artırdığı raporlanıyor.

</callout-box>

<callout-box data-variant="answer" data-title="GPU yerine cloud TPU veya Apple Silicon ile self-host olur mu?">

**Apple Silicon (M2 Ultra, M3 Max)** 64GB+ unified memory ile 7B-13B modeller için sürpriz şekilde iyi performans veriyor; KOBİ + dev senaryosunda yeterli. **Cloud TPU** (Google) vLLM ile native uyumlu değil, JAX/Flax stack gerektiriyor — operational overhead yüksek. Production self-host için 2026'da hâlâ **NVIDIA H100/H200/B200 + vLLM** en olgun yığın.

</callout-box>

## 10. Bir Sonraki Adım

Türkçe açık kaynak LLM ekosisteminden faydalanmak için 3 somut adım:

1. **Use-case + token volume analizi.** Mevcut LLM kullanımınızı 1 ay loglayarak token volume, prompt türü dağılımı ve KVKK risk profili çıkarın. Bu, "self-host mı API mı" kararının temelidir.
2. **POC kurulumu.** Trendyol-LLM-7B-v3 veya Cosmos-Llama-7B üzerinden 4-6 haftalık POC ile pratik kalite + maliyet ölçümü yapın. Tek L4 GPU + vLLM yeterli.
3. **Üretim mimari atölyesi.** Hibrit (API + self-host) stratejinin tasarımı, KVKK + BDDK uyumu, observability ve eval harness kurulumu için yapılandırılmış atölye; çıktısı 12 haftalık üretim yol haritası.

İletişim için site üzerindeki contact formu kullanılabilir.

<references-list data-items="[{&quot;title&quot;:&quot;Trendyol-LLM-7B-chat-v3.0 Model Card&quot;,&quot;url&quot;:&quot;https://huggingface.co/Trendyol/Trendyol-LLM-7B-chat-v3.0&quot;,&quot;author&quot;:&quot;Trendyol AI Lab&quot;,&quot;publishedAt&quot;:&quot;2025-11&quot;,&quot;publisher&quot;:&quot;Hugging Face&quot;},{&quot;title&quot;:&quot;Trendyol-LLM-70B-Cybersecurity-v3&quot;,&quot;url&quot;:&quot;https://huggingface.co/Trendyol/Trendyol-LLM-70B-Cybersecurity-v3&quot;,&quot;author&quot;:&quot;Trendyol AI Lab&quot;,&quot;publishedAt&quot;:&quot;2026-02&quot;,&quot;publisher&quot;:&quot;Hugging Face&quot;},{&quot;title&quot;:&quot;Cosmos-LLaMa Turkish Language Model&quot;,&quot;url&quot;:&quot;https://huggingface.co/ytu-ce-cosmos&quot;,&quot;author&quot;:&quot;YTU CE Cosmos&quot;,&quot;publishedAt&quot;:&quot;2024-12&quot;,&quot;publisher&quot;:&quot;Hugging Face&quot;},{&quot;title&quot;:&quot;KanarYa: A Turkish Language Model&quot;,&quot;url&quot;:&quot;https://huggingface.co/asafaya/kanarya-2b&quot;,&quot;author&quot;:&quot;Boğaziçi University NLP Group&quot;,&quot;publishedAt&quot;:&quot;2023-10&quot;,&quot;publisher&quot;:&quot;Hugging Face&quot;},{&quot;title&quot;:&quot;Kumru: Turkish LLM by VNGRS&quot;,&quot;url&quot;:&quot;https://huggingface.co/vngrs-ai/kumru&quot;,&quot;author&quot;:&quot;VNGRS AI&quot;,&quot;publishedAt&quot;:&quot;2025-01&quot;,&quot;publisher&quot;:&quot;Hugging Face&quot;},{&quot;title&quot;:&quot;TUMLU: Turkish Massive Multitask Language Understanding&quot;,&quot;url&quot;:&quot;https://arxiv.org/abs/2407.12402&quot;,&quot;author&quot;:&quot;Bayrak et al.&quot;,&quot;publishedAt&quot;:&quot;2024-07&quot;,&quot;publisher&quot;:&quot;arXiv&quot;},{&quot;title&quot;:&quot;OpenLLM-TR Leaderboard&quot;,&quot;url&quot;:&quot;https://huggingface.co/spaces/openllm-tr/leaderboard&quot;,&quot;author&quot;:&quot;OpenLLM-TR Community&quot;,&quot;publishedAt&quot;:&quot;2026-05&quot;,&quot;publisher&quot;:&quot;Hugging Face Spaces&quot;},{&quot;title&quot;:&quot;Llama 3.1 Community License&quot;,&quot;url&quot;:&quot;https://llama.meta.com/llama3_1/license/&quot;,&quot;author&quot;:&quot;Meta&quot;,&quot;publishedAt&quot;:&quot;2024-07&quot;,&quot;publisher&quot;:&quot;Meta AI&quot;},{&quot;title&quot;:&quot;Llama 3.3 Community License&quot;,&quot;url&quot;:&quot;https://llama.meta.com/llama3_3/license/&quot;,&quot;author&quot;:&quot;Meta&quot;,&quot;publishedAt&quot;:&quot;2024-12&quot;,&quot;publisher&quot;:&quot;Meta AI&quot;},{&quot;title&quot;:&quot;vLLM Documentation&quot;,&quot;url&quot;:&quot;https://docs.vllm.ai/&quot;,&quot;author&quot;:&quot;vLLM Project&quot;,&quot;publishedAt&quot;:&quot;2026&quot;,&quot;publisher&quot;:&quot;vLLM&quot;},{&quot;title&quot;:&quot;BDDK — Bankacılıkta Yapay Zeka ve Makine Öğrenmesi Yönetim Tebliği&quot;,&quot;url&quot;:&quot;https://www.bddk.org.tr/&quot;,&quot;author&quot;:&quot;BDDK&quot;,&quot;publishedAt&quot;:&quot;2024-09&quot;,&quot;publisher&quot;:&quot;BDDK&quot;},{&quot;title&quot;:&quot;KVKK — 6698 Sayılı Kanun&quot;,&quot;url&quot;:&quot;https://www.kvkk.gov.tr/&quot;,&quot;author&quot;:&quot;T.C. KVKK&quot;,&quot;publishedAt&quot;:&quot;2016-04&quot;,&quot;publisher&quot;:&quot;Türkiye Cumhuriyeti&quot;},{&quot;title&quot;:&quot;TÜBİTAK BİLGEM Yapay Zeka Enstitüsü&quot;,&quot;url&quot;:&quot;https://bilgem.tubitak.gov.tr/&quot;,&quot;author&quot;:&quot;TÜBİTAK BİLGEM&quot;,&quot;publishedAt&quot;:&quot;2024&quot;,&quot;publisher&quot;:&quot;TÜBİTAK&quot;},{&quot;title&quot;:&quot;T3 Vakfı (Türkiye Teknoloji Takımı)&quot;,&quot;url&quot;:&quot;https://t3vakfi.org/&quot;,&quot;author&quot;:&quot;T3 Foundation&quot;,&quot;publishedAt&quot;:&quot;2025&quot;,&quot;publisher&quot;:&quot;T3 Vakfı&quot;},{&quot;title&quot;:&quot;Baykar Technologies&quot;,&quot;url&quot;:&quot;https://baykartech.com/&quot;,&quot;author&quot;:&quot;Baykar&quot;,&quot;publishedAt&quot;:&quot;2025&quot;,&quot;publisher&quot;:&quot;Baykar&quot;},{&quot;title&quot;:&quot;AWQ: Activation-aware Weight Quantization&quot;,&quot;url&quot;:&quot;https://arxiv.org/abs/2306.00978&quot;,&quot;author&quot;:&quot;Lin et al.&quot;,&quot;publishedAt&quot;:&quot;2023-06&quot;,&quot;publisher&quot;:&quot;arXiv&quot;},{&quot;title&quot;:&quot;Hugging Face Transformers&quot;,&quot;url&quot;:&quot;https://huggingface.co/docs/transformers&quot;,&quot;author&quot;:&quot;Hugging Face&quot;,&quot;publishedAt&quot;:&quot;2026&quot;,&quot;publisher&quot;:&quot;Hugging Face&quot;},{&quot;title&quot;:&quot;Türkçe için BPE Tokenization&quot;,&quot;url&quot;:&quot;https://aclanthology.org/2022.acl-long.483/&quot;,&quot;author&quot;:&quot;Toraman et al.&quot;,&quot;publishedAt&quot;:&quot;2022&quot;,&quot;publisher&quot;:&quot;ACL&quot;},{&quot;title&quot;:&quot;DPO: Direct Preference Optimization&quot;,&quot;url&quot;:&quot;https://arxiv.org/abs/2305.18290&quot;,&quot;author&quot;:&quot;Rafailov et al.&quot;,&quot;publishedAt&quot;:&quot;2023-05&quot;,&quot;publisher&quot;:&quot;NeurIPS&quot;},{&quot;title&quot;:&quot;Belebele: Multilingual Reading Comprehension Benchmark&quot;,&quot;url&quot;:&quot;https://arxiv.org/abs/2308.16884&quot;,&quot;author&quot;:&quot;Bandarkar et al.&quot;,&quot;publishedAt&quot;:&quot;2023-08&quot;,&quot;publisher&quot;:&quot;arXiv&quot;},{&quot;title&quot;:&quot;ARC: AI2 Reasoning Challenge&quot;,&quot;url&quot;:&quot;https://arxiv.org/abs/1803.05457&quot;,&quot;author&quot;:&quot;Clark et al.&quot;,&quot;publishedAt&quot;:&quot;2018&quot;,&quot;publisher&quot;:&quot;AI2&quot;},{&quot;title&quot;:&quot;Sağlık Verisi Hakkında Yönetmelik&quot;,&quot;url&quot;:&quot;https://www.resmigazete.gov.tr/&quot;,&quot;author&quot;:&quot;T.C. Sağlık Bakanlığı&quot;,&quot;publishedAt&quot;:&quot;2019-06&quot;,&quot;publisher&quot;:&quot;Resmî Gazete&quot;},{&quot;title&quot;:&quot;NVIDIA H100 / H200 / B200 Specs&quot;,&quot;url&quot;:&quot;https://www.nvidia.com/en-us/data-center/&quot;,&quot;author&quot;:&quot;NVIDIA&quot;,&quot;publishedAt&quot;:&quot;2026&quot;,&quot;publisher&quot;:&quot;NVIDIA&quot;},{&quot;title&quot;:&quot;MITRE ATT&amp;CK Framework&quot;,&quot;url&quot;:&quot;https://attack.mitre.org/&quot;,&quot;author&quot;:&quot;MITRE&quot;,&quot;publishedAt&quot;:&quot;2026&quot;,&quot;publisher&quot;:&quot;MITRE&quot;},{&quot;title&quot;:&quot;Türk Silahlı Kuvvetleri — Savunma Sanayi&quot;,&quot;url&quot;:&quot;https://www.ssb.gov.tr/&quot;,&quot;author&quot;:&quot;SSB&quot;,&quot;publishedAt&quot;:&quot;2025&quot;,&quot;publisher&quot;:&quot;Savunma Sanayii Başkanlığı&quot;},{&quot;title&quot;:&quot;LoRA: Low-Rank Adaptation of Large Language Models&quot;,&quot;url&quot;:&quot;https://arxiv.org/abs/2106.09685&quot;,&quot;author&quot;:&quot;Hu et al.&quot;,&quot;publishedAt&quot;:&quot;2021-06&quot;,&quot;publisher&quot;:&quot;arXiv&quot;}]"></references-list>

---

Bu rehber yaşayan bir belgedir; Türkçe açık kaynak LLM ekosistemi her çeyrek değiştiği için **çeyreklik olarak güncellenmektedir**.